大数据管理不仅仅是尽可能存储更多的数据。它关乎能够识别有意义的见解、发现隐藏的模式，并做出明智的决策。这种对高级分析的追求一直是数据建模和存储解决方案创新的驱动力，远远超出了传统关系数据库。
这些创新中的两项是向量数据库（vector databases）和图数据库（graph databases）。这两者都是在数据管理方面的重大进步，提供了具有各自独特优势的独特数据结构。但在你能有效选择哪一个最适合你的项目或目标之前，你需要了解它们的工作方式以及它们之间的不同。
这篇博客文章将是你的指南 ------ 概述它们的工作原理，它们的相似之处以及它们的不同之处。我们将探讨对比的数据结构，探索它们的理想用例，并帮助你在这两者之间做出选择。为了使这一点更容易，我们将其分为几个部分：
- 向量数据库的定义和概念
- 什么是图数据库？
- 比较向量数据库和图数据库
- 向量和图数据库的用例
- 在向量和图数据库之间进行选择
通过阅读本文，你将获得做出明智决定所需的所有信息，从而最大限度地利用你的数据。
向量数据库定义与概念
向量数据库将数据组织成广阔的、多维空间中的点，而不是行和列。每个点代表一条数据，其位置反映了它相对于其他数据的特征。可以将其想象成一个宇宙，其中每颗行星都是一条数据，它们被组织成与相似的行星更近，与相似度较低的行星更远的方式。
它通过将数据存储为高维向量来实现这一点，这些向量是数据特征的数值表示。这些向量捕捉了它们所代表的数据的本质，这就是它们如何能够在多维空间内进行编码和组织的原因。在多维空间中，两个点越接近，它们的基础数据就越相似。
这就是为什么向量数据库擅长相似性搜索的原因。由于向量是基于相似性结构化的，因此你可以快速识别距离查询向量最近的数据点。这使得它们非常适合于许多重要的应用场景：
- 图像和文档检索：根据内容而不仅仅是关键词查找相似的图像。
- 个性化推荐：推荐与用户之前互动过的产品或内容类似的内容。
- 异常检测：识别偏离正常情况的异常数据点，可能表示欺诈或系统错误。
- 机器学习：高效处理和分析高维数据，用于文本分析、图像分类和自然语言处理等任务。
想要更详细的指南吗？阅读《什么是向量数据库？》以获取完整的介绍。
什么是图数据库？
尽管乍一看它们可能看起来相似，但图数据库以完全不同的方式组织数据。它们不像关系数据库那样使用严格的表，也不像向量数据库那样按相似性组织数据，而是以图结构存储数据。实体由图上的节点表示，关系由边表示。可以将其想象成一个思维导图，其中每个节点都是一个代表人、地点或事物的圆圈，而它们之间的连线（边）显示了它们之间的连接方式。
图数据库的一大优势是它们提供了一种更自然的方式来表示复杂关系。与其他类型的数据库相比，这使得解释连接变得更加容易。图数据库的无模式结构也意味着随着数据的增长，你可以轻松添加新的节点和边，使其既灵活又可扩展。这使得图数据库非常适合许多应用：
- 实时分析：使用图数据库实时分析流数据，预测未来结果，并优化动态系统。
- 主数据管理：创建实体的统一视图，解决歧义，并在单个相互连接的图中跟踪实体演化。
- 网络发现：通过分析网络内的关系，揭示隐藏的连接，识别异常，并预测级联故障。
- 知识图谱构建：构建智能知识库，回答复杂问题，并通过相互连接的实体和概念驱动智能应用。
比较向量数据库和图数据库
现在你应该了解了每种类型的数据库是什么以及它们如何组织数据。但是，理解向量数据库和图数据库之间微妙的差异也至关重要。进行侧边比较是最简单的方法：
| 向量数据库 | 图数据库 | |
|---|---|---|
| 数据表示 | 数据被构造为广阔的多维空间中的点。 距离较近的点表示相似的内容。 非常适合捕获数据本身内在的相似性，无论连接或关系如何。 | 数据被构造为由边缘（关系）链接的互连节点（实体）的网络。 专注于表示数据点之间的连接和层次结构，提供有关实体如何相互关联的宝贵见解。 |
| 查询与检索 | 擅长相似性搜索，有效查找与查询向量相似的数据点。 非常适合图像/文档检索等任务，其中理解内容相似性至关重要。 | 对于导航关系和联系非常有用。 实现网络结构的高效遍历，非常适合社交网络分析、推荐系统和探索知识图谱。 |
| 性能和可扩展性 | 由于优化的相似性搜索算法，通常可以很好地扩展大型数据集。 但是，架构更改可能需要重新嵌入数据，从而影响性能。 | 由于无模式特性，高度灵活，可以轻松添加和修改数据。 然而，复杂的查询或大型网络可能会对性能造成压力，需要仔细优化。 |
使用案例
为了更好地理解向量数据库和图数据库之间的差异，让我们比较一下每种数据库在同一领域内的应用。这不仅展示了它们的对比，还展示了如何将它们结合起来以取得出色的成果：
欺诈检测
- 向量数据库：通过分析交易模式和用户信息来识别欺诈交易。根据学习到的相似性配置文件检测消费习惯、购买地点或设备指纹中的异常。
- 图数据库：揭示连接在一起的个体或交易的可疑网络。通过分析涉嫌欺诈尝试中涉及的实体之间的关系来识别欺诈活动。
科学研究
- 向量数据库：分析像蛋白质序列、基因表达或化学化合物等复杂的数据结构。比较不同的数据集并基于多维特性识别相似性，从而导致新的科学发现。
- 图数据库：建模生物通路或分子相互作用。探索实体之间错综复杂的关系，并可视化复杂系统，以深入了解生物过程。
电子商务
- 向量数据库：分析产品属性，如图片、文字描述和技术规格。根据内容相似性推荐相似产品，使建议更加相关并吸引人。
- 图数据库：捕捉用户与产品之间的互动，如购买、浏览历史和愿望清单。根据用户与具有相似品味的其他用户的相似性推荐产品，创造更个性化的购物体验。
媒体和娱乐
- 向量数据库：分析内容特征，如音乐类型、文章主题或电影主题。根据固有的内容相似性推荐类似的歌曲、电影或文章，满足个人偏好。
- 图数据库：探索用户与内容之间的关系，如观看历史、阅读列表或社交媒体分享。根据具有相似兴趣的用户之间的连接推荐内容，促进参与和发现。
释放数据的全部潜力
在大数据领域航行需要强大的工具，而向量数据库和图数据库在这个信息空间中处于创新的地位。但是选择适合你需求的正确模型可能是令人望而生畏的。
仔细评估上述因素，并了解每种技术的独特优势。你将得出一系列因素的列表，这些因素将指导你的决策，帮助你选择适合的数据库模型，释放数据的全部潜力。
接下来你应该做什么
当你准备好时，以下是我们可以帮助你为你的业务带来更好搜索体验的四种方式：
- 开始免费试用，看看 Elastic 如何帮助你的业务。
- 参观我们的解决方案，了解 Elasticsearch 平台的工作方式以及我们的解决方案将如何满足你的需求。
- 了解向量数据库如何驱动人工智能搜索。
- 通过电子邮件、LinkedIn、Twitter 或 Facebook 将本文与你认识的人分享，让他们也享受阅读的乐趣。
本文中描述的任何特性或功能的发布和时间安排均由 Elastic 自行决定。 当前不可用的任何特性或功能可能无法按时交付或根本无法交付。
在这篇博文中，我们可能使用或引用了第三方生成人工智能工具，这些工具由其各自所有者拥有和运营。 Elastic 对第三方工具没有任何控制权，我们对其内容、操作或使用不承担任何责任，也不对你使用此类工具可能产生的任何损失或损害负责。 使用人工智能工具处理个人、敏感或机密信息时请务必谨慎。 你提交的任何数据都可能用于人工智能培训或其他目的。 无法保证你提供的信息将得到安全或保密。 在使用之前，你应该熟悉任何生成式人工智能工具的隐私惯例和使用条款。
Elastic、Elasticsearch、ESRE、Elasticsearch Relevance Engine 和相关标志是 Elasticsearch N.V. 的商标、徽标或注册商标。 在美国和其他国家。 所有其他公司和产品名称均为其各自所有者的商标、徽标或注册商标。
原文：Vector database vs. graph database: Understanding the differences | Elastic Blog